KAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC
|
|
- Leony Setiawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 KAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC Harry Dhika Fakultas Teknik, Matematika dan IPA Universitas Indraprasta PGRI ABSTRAK Penelitian ini membahas tentang cara membuat rule atau aturan menggunakan algoritma C4.5 terhadap kenaikan jabatan pada salah satu perusahaan swasta. Luaran dari penelitian ini adalah sebuah metode atau rule C4.5 (pohon keputusan) yang digunakan dalam penentu atau membantu mengambil keputusan serta menentukan kenaikan jabatan karyawan. Data dianalisis menggunakan perangkat lunak Rapidminer yakni salah satu perangkat lunak berbasis open source. Dalam menentukan kelayakan kenaikan jabatan pada perusahaan, digunakan metode penelitian Data Mining dengan framework KDD sehingga dapat diketahui tingkat akurasi dan presisinya. Dengan adanya hasil penelitian maka dapat memberikan konstribusi bagi instansi terkait untuk dapat melakukan pemilihan mitra kerja dengan baik dan tepat sasaran sehingga kesulitan dalam menentukan kelayakan kenaikan jabatan dapat teratasi, terutama masalah terkait pengalaman kerja, kualitas kerja, dan hal-hal lain. Kata kunci: algoritma c4.5, data mining, kenaikan jabatan, rapidminer. ABSTRACT This study discusses about how to create a rule by using the C4.5 algorithm promotion on one private company. Outcomes of this research is a method or rule C4.5 (decision tree) are used in determining or help make decisions and determine employee promotions. Data were analyzed using the software RapidMiner one based on open source software. This study uses the concept of Data Mining with KDD framework so as to determine the feasibility of a promotion in the company to determine the level of accuracy and precision. With the research results can contribute to the relevant agencies to be able to work with a good selection of partners and targeted so that the difficulty in determining the feasibility of a promotion can be resolved, especially issues related work experience, quality of work, and other things. Keywords: c4.5 algorithms, data mining, increase position, rapidminer. 1. PENDAHULUAN Saat ini Sumber Daya Manusia (SDM) merupakan sebuah aset yang sangat berharga dan sangat strategis sehingga dapat menentukan sehat atau tidaknya sebuah perusahaan jika dilihat dari asetnya. Pengembangan sumber daya manusia tentunya harus terencana dan berkelanjutan hal tersebut merupakan kebutuhan perusahaan dimasa depan. Dalam perusahaan karyawan merupakan aset, sumber daya manusia yang harus dijaga dengan baik. Untuk menjaga sumber daya manusia maka dibutuhkan manajemen perencanaan, pengangkatan karyawan baru, melakukan seleksi, melakukan orientasi, melakukan pelatihan, pendidikan, penilaian kerja, dan melakukan promosi jabatan. Perusahaan melakukan evaluasi atau melakukan penilaian terhadap seluruh karyawan, penilaian kerja pada karyawan (performance appraisal) merupakan bagian yang sangat penting karena dengan kualitas karyawan yang baik maka akan diperoleh hasil kerja yang baik. Target Perusahaan akan tercapai, kelangsungan perusahaan dan regenerasi dari karyawan dapat terlaksana dengan baik. Seiring dengan menjaga aset, karyawan dalam perusahaan akan merasa nyaman jika diperlakukan dengan baik, adil dan jujur tentunya dengan mendapat peluang untuk diperhatikan dalam mengembangkan karir di perusahaan tersebut. Setiap karyawan pasti menginginkan penghargaan terutama promosi jabatan sehingga dapat bekerja dengan maksimal dan memajukan nama perusahaan. Dari hal tersebut perlunya dilakukan kajian mendalam sehingga kepuasan karyawan yang berujung majunya sebuah perusahaan dapat dijadikan sebagai dasar untuk membuat sebuah rule atau sistem informasi kenaikan atau promosi jabatan. PT. ABC merupakan sebuah perusahaan swasta nasional yang sangat aktif. Bergerak dibidang jasa pengiriman barang dan memiliki 28 cabang anak perusahaan sehingga banyak sekali dibutuhkan karyawan muda yang berprestasi dan berfikir kreatif. Perusahaan yang berada di tanah air ini menggunakan jalur darat, laut dan udara. Dengan karyawan yang tersebar dari sabang 217
2 sampai marauke diperlukan tata kelola atau manajemen yang baik untuk menjaga aset perusahaan. Dalam perusahaan ini proses kenaikan jabatan atau promosi jabatan dilakukan dasarnya hanya bersifat kekeluargaan, karena mayoritas seluruh pimpinan di setiap wilayah merupakan karib kerabat yang dikedepankan. Dari hal tersebut dapat dilihat kurangnya profesionalisme kerja yang dapat membuat perusahaan kedepannya akan sulit berkembang dengan baik tanpa memperhatikan kejujuran kerja, masa kerja keahlian, disiplin dan usia. Proses kenaikan yang ada selama ini sangat dirasakan betul kurang efektif manfaatnya oleh karena itu perlunya perbaikan dalam sisi promosi jabatan. Melihat dari situasi dan kondisi yang cukup memprihatinkan dimana perkembangan karir karyawan merupakan suatu hal yang penting dan harus diperhatikan oleh karena itu perlu dikaukan pengambilan keputusan [7] atau dilakukan kajian atau penelitian mendalam dengan menggunakan algoritma C4.5 dari Data Mining dan menggunakan metodologi Knowledge Discovery in Database (KDD). Pada penelitian ini pengambilan keputusan kenaikan jabatan menggunakan menggunakan metode algoritma C4.5 yang nantinya dalam pengolahan data akan dilakukan menggunakan software pendukung yaitu Rapidminer versi 5.1 Setiap lembaga atau perusahaan pasti bekerja dengan data, perusahaan yang sudah cukup lama tentunya juga memiliki data yang banyak, data dalam perusahaan tersebut semakin lama akan semakin menggunung atau semakin menumpuk dan disimpan tiap harinya, tiap bulannya dan tiap tahunnya. Tentunya data perusahaan tersebut sangat sayang sekali jika di buang, karena data tersebut merupakan aset berharga dari perusahaan apalagi jika data tersebut tidak digunakan sama sekali, untuk itu data yang jumlahnya sudah cukup banyak dan menggunung dapat digunakan kembali dengan cara menambangnya. Data Mining atau menambang data didefinisikan sebagai metode yang digunakan untuk mengekstraksi informasi prediktif tersembunyi pada database, ini adalah teknologi yang sangat potensial bagi perusahaan dalam memberdayakan data warehouse-nya. Data Mining disebut sebagai proses ekstraksi pengertahuan dari data yang besar, sesuai fungsinya Data Mining adalah proses pengambilan keputusan dari volume data yang besar yang disimpan dalam basis data, data warehouse, atau informasi yang disimpan dalam repositori [2]. Istilah Data Mining berasal dari kemiripan antara pencarian informasi yang bernilai dari database yang besar dengan menambang sebuah gunung untuk memperoleh sesuatu yang bernilai [5]. Data Mining juga dapat didefinisikan sebagai sebuah proses penemuan pola dalam data [6]. Keduanya memerlukan penyaringan melalui sejumlah besar material, atau menyelidiki dengan cerdas untuk mencari keberadaan sesuatu yang bernilai. Berdasarkan polanya Data Mining dikelompokan menjadi deskripsi, estimasi, prediksi, klasifikasi, clustering, asosiasi [3]. Banyak yang menggunakan Data Mining sebagai istilah popular dari Knowledge Discovery in Database (KDD). Data Mining merupakan inti dari proses Knowledge Discovery in Database (KDD) [4]. KDD adalah proses terorganisir untuk mengidentifikasi pola yang valid, baru, berguna, dan dapat dimengerti dari sebuah data set yang besar dan kompleks [4]. Algoritma C4.5 merupakan algoritma klasifikasi dengan teknik pohon keputusan yang terkenal dan disukai karena memiliki kelebihan-kelebihan. Kelebihan ini misalnya dapat mengolah data numerik (kontinyu) dan diskret, dapat menangani nilai atribut yang hilang, menghasilkan aturan-aturan yang mudah diintrepetasikan dan tercepat diantara algoritma-algoritma yang lain. Keakuratan prediksi yaitu kemampuan model untuk dapat memprediksi label kelas terhadap data baru atau yang belum diketahui sebelumnya dengan baik. Dalam hal kecepatan atau efisiensi waktu komputasi yang diperlukan untuk membuat dan menggunakan model. Kemampuan model untuk memprediksi dengan benar walaupun data ada nilai dari atribut yang hilang. Dan juga skalabilitas yaitu kemampuan untuk membangun model secara efisien untuk data berjumlah besar (aspek ini akan mendapatkan penekanan). Terakhir interpretabilitas yaitu model yang dihasilkan mudah dipahami. Selain itu dapat juga dikatakan bahwa Algoritma merupakan kumpulan perintah yang tertulis secara sistematis guna menyelesaikan permasalahan logika dari matematika. Pengertian Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Sedang pohon keputusan dapat diartikan suatu cara untuk memprediksi atau mengklarifikasi yang sangat kuat. Pohon keputusan dapat membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan 2. METODOLOGI PENELITIAN Penemuan pengetahuan dari proses KDD yang terdiri dari sembilan langkah pada Gambar 1. Proses dimulai dari penentuan KDD dan diakhiri dengan pelaksanaan pengetahuan yang ditemukan. Penelitian dilakukan dengan menggunakan konsep dari Data Mining menggunakan Knowledge Discovery in Database (KDD) yakni sebuah kerangka kerja sebagai bahan acuan dalam pengkajian dibidang Data Mining: 218
3 Gambar 1. Tahap KDD (Knowledge Discovery in Database) [4] Metode dan tahapan penelitian menggunakan metode Knowledge Discovery in Database (KDD) yaitu meliputi; 1) Domain Understanding & KDD Goal yakni dilakukan pemahaman terlebih dahulu hasil yang akan dicapai, bahasan dan bidang yang akan dikerjakan. 2) Selection & Addition, merupakan tahapan memilih dan menambahkan data yang diperoleh dari objek penelitian. 3) Preprocecing, merupakan proses data awal yang sudah diperoleh, melalui pemilihan data yang lengkap, tepat dan sesuai. 4) Transformation, merupakan perubahan type text ke dalam type yang susuai dengan kebutuhan algoritma terutama penggunaan algoritma C4.5. 5) Data minig, merupakan proses penterjemahan data dimana dilakukan penerapan algoritma yang digunakan dalam pengolahan data. Pada bagian ini disesuaikan langkah pada algoritma C4.5 6) Evaluation dan Interpretation, merupakan tahapan evaluasi dan penterjemahan data yang diperoleh dari algoritma C4.5. 7) Discovered Knowledge, merupakan pemanfaatan hasil data yang telah menjadi rule baru yang akan diimplementasikan, implementasikan dalam visual. 3. HASIL PENELITIAN DAN PEMBAHASAN Pohon keputusan C4.5 yang terbentuk dengan penentuan gain tertinggi dari masing-masing perhitungan node, berdasarkan node yang sudah ditentukan hingga ditemukan hasil klasifikasinya pada Gambar 2 Gambar 2. Model Decision Tree Klasifikasi Kenaikan Jabatan Dengan C4.5 Hasil dari pengujian model yang telah dilakukan yaitu dengam algoritma C4.5 dilakukan pengujian tingkat akurasi dengan menggunakan confussion matrix dan kurva ROC/AUC (Area Under Cover) 219
4 diperoleh melalui Rapidminer dengan menginput data yang diperoleh dari PT. ABC, berikut hasil evaluasi: 1. Confusion Matrix Perhitungan akurasi data training menggunakan algoritma C4.5. Diketahui data training terdiri dari 202 record data, 202 data diklasifikasikan Layak dan 13 data diprediksi tidak layak, 3 data dinyatakan tidak layak. Class recall untuk kategori layak adalah sebasar 100% dan class recall untuk kategori true tidak layak sebesar 18,75%. Tabel 1. Model confusion matrix data training untuk metode C4.5 Accuracy: 94.05% +/-2.89%(mikro:94.04%) True layak True tidak alayak Class precision Pred. layak % Pred. tidak layak % Class recall % 18.75% Dari hasil confusion matrix pada tabel 1, selanjutnya dilakukan perhitungan nilai accuracy, precision, dan recall. Perbandingan nilai accuracy, precision, dan recall yang telah dihitung untuk metode C Kurva ROC Hasil perhitungan divisualisasikan dengan kurva ROC (Receiver Operating Characteristic) atau AUC (Area Under Curve). ROC memiliki tingkat nilai diagnosa yaitu [1]: a. Akurasi bernilai = excellent classification b. Akurasi bernilai = good classification c. Akurasi bernilai = fair classification d. Akurasi bernilai = poor classification e. Akurasi bernilai = failure Hasil yang didapat dari pengolahan ROC untuk algoritma C4.5 dengan menggunakan data training sebesar (gambar 3) dengan tingkat diagnosa excellent classification. Gambar 3. Kurva ROC Metode C4.5 Dari pohon keputusan pada gambar 2. Model Decision Tree klasifikasi kenaikan jabatan dengan C4.5 dapat dijabarkan sebagai berikut rule yang terbentuk: 220
5 Masa Kerja = <=1 Kehadiran = Baik Status Kerja = Honorer Kelamin = L Pengalaman Kerja = Banyak: Tidak Layak {Layak=1, Tidak Layak=1} Pengalaman Kerja = Cukup: Layak {Layak=6, Tidak Layak=3} Status Kerja = Training: Layak {Layak=8, Tidak Layak=0} Kehadiran = Cukup: Tidak Layak {Layak=1, Tidak Layak=1} Kehadiran = Sangat Baik: Layak {Layak=3, Tidak Layak=1} Masa Kerja = <=2: Layak {Layak=33, Tidak Layak=2} Masa Kerja = <=3 Status Kerja = Honorer Kehadiran = Baik Pengalaman Kerja = Cukup Kelamin = L: Layak {Layak=4, Tidak Layak=1} Kelamin = P: Tidak Layak {Layak=0, Tidak Layak=3} Kehadiran = Kurang Baik: Tidak Layak {Layak=0, Tidak Layak=2} Status Kerja = Tetap: Layak {Layak=102, Tidak Layak=0} Masa Kerja = >=3 Status Kerja = Tetap Lulusan/Tamatan = D3 Pengalaman Kerja = Cukup: Layak {Layak=6, Tidak Layak=0} Pengalaman Kerja = Sedikit: Tidak Layak {Layak=0, Tidak Layak=2} Lulusan/Tamatan = S1: Layak {Layak=22, Tidak Layak=0} Lulusan/Tamatan = S2: Layak {Layak=7, Tidak Layak=0} Lulusan/Tamatan = S3: Layak {Layak=7, Tidak Layak=0} Lulusan/Tamatan = SLTA: Layak {Layak=2, Tidak Layak=0} Jika disederhanakan dalam bentuk algoritma untuk dimasukan dalam program aplikasi maka hasilnya sebagai berikut: Masa Kerja <= 1 maka AND Kehadiran Baik AND Status Kerja Honorer AND Kelamin L AND Pengalaman Kerja Banyak THEN Layak = 1 tidak layak = 1 Masa Kerja <= 1 maka AND Kehadiran Baik AND Status Kerja Honorer AND Kelamin L AND Pengalaman Kerja Cukuk THEN Layak = 6 tidak layak = 3 Masa Kerja <= 1 maka AND Kehadiran Baik AND Status Kerja Training THEN Layak = 8 tidak layak = 0 Masa Kerja <= 1 maka AND Kehadiran Cukup THEN Layak = 1 tidak layak = 1 Masa Kerja <= 1 maka AND Kehadiran sangat Baik THEN Layak = 3 tidak layak = 1 Masa Kerja <= 2 THEN Layak 33 Tidak Layak 2 Masa Kerja <=3 AND Status Kerja Honorer AND Kehadiran Baik AND Pengalaman Kerja Cukup AND Kelamin L THEN Layak = 4 Tidak Layak = 1 Masa Kerja <=3 AND Status Kerja Honorer AND Kehadiran Baik AND Pengalaman Kerja Cukup AND Kelamin P THEN Layak = 0 Tidak Layak = 3 Masa Kerja <=3 AND Status Kerja Honorer AND Kehadiran Kurang Baik THEN Layak = 0 Tidak Layak = 2 Masa Kerja <=3 AND Status Kerja Tetap THEN Layak = 102 Tidak Layak = 2 Masa Kerja >= 3 AND Status Kerja Tetap AND Lulusan/Tamatan D3 AND Pengalaman Kerja Cukup THEN Layak = 6 tidak layak 0 Masa Kerja >= 3 AND Status Kerja Tetap AND Lulusan/Tamatan D3 AND Pengalaman Kerja Sedikit THEN Layak = 0 Tidak Layak 2 Masa Kerja >= 3 AND Status Kerja Tetap AND Lulusan/Tamatan S1 THEN Layak = 22 Tidak Layak 0 Masa Kerja >= 3 AND Status Kerja Tetap AND Lulusan/Tamatan S2 THEN Layak = 7 Tidak Layak 0 Masa Kerja >= 3 AND Status Kerja Tetap AND Lulusan/Tamatan S3 THEN Layak = 7 Tidak Layak 0 Masa Kerja >= 3 AND Status Kerja Tetap AND Lulusan/Tamatan SLTA THEN Layak = 2 Tidak Layak 0 4. KESIMPULAN Akurasi data dapat diklasifikasikan sebagai excellent classification nilai yang di peroleh sehingga rule yang dihasilkan dapat diterapkan dan digunakan dalam perusahaan sebagai acuan dalam menentukan kenaikan jabatan karyawan. 221
6 DAFTAR PUSTAKA [1] Gorunescu, Florin (2011). Data Mining: Concepts, Models, and Techniques. Verlag Berlin Heidelberg: Springer [2] Han, J.,& Kamber, M Data Mining Concept and Tehniques. San Fransisco: Morgan Kauffman. [3] Larose, D. T Discovering Knowledge in Data. New Jersey: John Willey & Sons, Inc. [4] Maimon, Oded & Rokach, Lior Data Mining and Knowledge Discovey Handbook. New York: Springer [5] Sumathi, & S., Sivanandam, S.N Introduction to Data Mining and its Applications. Berlin Heidelberg New York: Springer [6] Witten, I. H., et al Data Mining: Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher. [7] Karismariyanti, Magdalena Jurnal: Simulasi Pendukung Keputusan Beasiswa menggunakan Metode Composite Performance Index. Jurnal Teknologi Informasi Vol. 1, No. 2, November
PERANCANGAN APLIKASI PEMILIHAN MITRA KERJA
PERANCANGAN APLIKASI PEMILIHAN MITRA KERJA Harry Dhika 1), Tri Yani Akhirina 2), Surajiyo 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58B, Jakarta, DKI Jakarta 12530 Email
Lebih terperinciAPPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT
APPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT Harry Dhika 1, Fitriana Destiawati 2 1,2 Teknik Informatika Fakultas Teknik, Matematika dan IPA, Universitas Indraprasta PGRI
Lebih terperinciKAJIAN PENERAPAN ALGORITMA DATA MINING TERHADAP PEMILIHAN MITRA KERJA PENYEDIA JASA TRANSPORTASI DI JAKARTA
KAJIAN PENERAPAN ALGORITMA DATA MINING TERHADAP PEMILIHAN MITRA KERJA PENYEDIA JASA TRANSPORTASI DI JAKARTA Harry Dhika 1), Tri Yani Akhirina 2), Surajiyo 3) 1), 2),3) Teknik Informatika Universitas Indraprasta
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA
SISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA Anik Andriani Program Studi Manajemen Informatika, AMIK BSI Jakarta Jl. RS Fatmawati 24, Pondok
Lebih terperinciPERBANDINGAN DECISION TREE
84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5
PERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5 NI WAYAN PARWATI SEPTIANI wayan.parwati@gmail.com Program Studi Teknik Informatika Fakultas Teknik, Matematika dan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciPERANCANGAN SISTEM MODEL PENENTU PEMBERIAN PINJAMAN KOPERASI KARYAWAN PERMATA BANK MENGGUNAKAN SVM
PERANCANGAN SISTEM MODEL PENENTU PEMBERIAN PINJAMAN KOPERASI KARYAWAN PERMATA BANK MENGGUNAKAN SVM Purwanti 1, Tuti Handayani 2 Program Studi Teknik Informatika, Universitas Indraprasta PGRI 1,2 Email:
Lebih terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinciKLASIFIKASI PENERIMA BEASISWA KOPERTIS DENGAN MENGGUNAKAN ALGORITMA C.45
72 KLASIFIKASI PENERIMA BEASISWA KOPERTIS DENGAN MENGGUNAKAN ALGORITMA C.45 Muhamad Tabrani Program Studi Teknik Informatika STMIK Nusa Mandiri Jakarta Jl. Damai No.8 Warung Jati Barat Marga Satwa Jakarta
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciPENERAPAN ALGORITMA C4.5 PADA PROGRAM KLASIFIKASI MAHASISWA DROPOUT. Anik Andriani AMIK BSI Jakarta
PENERAPAN ALGORITMA C4.5 PADA PROGRAM KLASIFIKASI MAHASISWA DROPOUT Anik Andriani AMIK BSI Jakarta ABSTRAK. Prestasi akademik mahasiswa dievaluasi setiap akhir semester untuk mengetahui hasil belajar yang
Lebih terperinciPengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data
Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG
Lebih terperinci1. Model Prediksi Ini Menggunakan Tools RapidMiner
1. Model Prediksi Ini Menggunakan Tools RapidMiner RapidMiner memiliki keunggulan tersendiri, RapidMiner merupakan aplikasi data mining berbasis sistem open-source dunia yang terkemuka dan ternama. Tersedia
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS
9 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS Nadiya Hijriana 1) dan Muhammad Rasyidan 2) 1,2 Program Studi Teknik Informatika Universitas Islam
Lebih terperinciKlasifikasi Berbasis Algoritma C4.5 untuk Deteksi Kenaikan Case Fatality Rate Demam Berdarah
Klasifikasi Berbasis Algoritma C4.5 untuk Deteksi Kenaikan Case Fatality Rate Demam Berdarah Anik Andriani Manajemen Informatika, AMIK BSI, Yogyakarta, Indonesia anik.aai@bsi.ac.id Abstract Extraordinary
Lebih terperinciKomparasi Akurasi Algoritma C4.5 dan Naïve Bayes untuk Prediksi Pendonor Darah Potensial dengan Dataset RFMTC
Komparasi Akurasi Algoritma C4.5 dan Naïve Bayes untuk Prediksi Pendonor Darah Potensial dengan Dataset RFMTC Wahyu Eko Susanto 1, Candra Agustina 2 1, 2 Program Studi Manajemen Informatika, AMIK BSI Yogyakarta
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciKlasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree
Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih terperinciANALISIS PENENTUAN KARYAWAN TERBAIK MENGGUNAKAN METODE ALGORITMA NAIVE BAYES (STUDI KASUS PT. XYZ)
ANALISIS PENENTUAN KARYAWAN TERBAIK MENGGUNAKAN METODE ALGORITMA NAIVE BAYES (STUDI KASUS PT. XYZ) Ulfa Pauziah Tehnik Informatika, Universitas Indraprasta PGRI pelangi_ulfa@yahoo.com Abstrak. Di dalam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciPenerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa
Penerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa Liliana Swastina Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Indonesia Banjarmasin, Indonesia lilisera@gmail.com
Lebih terperinciSNIPTEK 2014 ISBN:
KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan
Lebih terperinciPENERAPAN DATA MINING UNTUK MEMPREDIKSI PERILAKU NASABAH KREDIT: STUDI KASUS BPR MARCORINDO PERDANA CIPUTAT
PENERAPAN DATA MINING UNTUK MEMPREDIKSI PERILAKU NASABAH KREDIT: STUDI KASUS BPR MARCORINDO PERDANA CIPUTAT Syaiful Anwar Program Studi Manajemen Informatika Akademik Manajemen Informatika dan Komputer
Lebih terperinciIMPLEMENTASI ALGORITMA C4.5 TERHADAP KEPUASAN PELANGGAN
Prosiding SNaPP2016 Sains dan Teknologi ISSN 2089-3582 EISSN 2303-2480 IMPLEMENTASI ALGORITMA C4.5 TERHADAP KEPUASAN PELANGGAN 1 Harry Dhika, 2 Fitriana Destiawati, 3 Aswin Fitriansyah 1,2,3 Fakultas MIPA,
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
33 BAB IV HASIL DAN PEMBAHASAN 4.1 Pengolahan Data Data yang dipergunakan dalam tugas akhir ini merupakan data karyawan PT Perkbunan Nusantara IX Kebun Blimbing pada tahun 2015. Jumlah data yang digunakan
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciSISTEM PREDIKSI PENYAKIT DIABETES BERBASIS DECISION TREE
SISTEM PREDIKSI PENYAKIT DIABETES BERBASIS DECISION TREE Anik Andriani Manajemen Informatika AMIK BSI Jakarta Jl. R.S. Fatmawati No.24, Pondok Labu, Jakarta Selatan Email: anik.aai@bsi.ac.id ABSTRAK Data
Lebih terperinciKLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciPrediksi Kenaikan Rata-Rata Volume Perikanan Tangkap Dengan Teknik Data Mining
117 Prediksi Kenaikan Rata-Rata Volume Perikanan Tangkap Dengan Teknik Data Mining Anik Andriani AMIK BSI Yogyakarta E-Mail: anik.aai@bsi.ac.id Abstrak Peningkatan jumlah permintaan terhadap kebutuhan
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA
PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA Laily Hermawanti Program Studi Teknik Informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro No. 1B
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT
PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya
Lebih terperinciPENERAPAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DALAM PEMILIHAN BEASISWA: STUDI KASUS SMK YAPIMDA
PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DALAM PEMILIHAN BEASISWA: STUDI KASUS SMK YAPIMDA LUKMAN Lkmnaja51@gmail.com (021) 94319769 Program Studi Teknik Informatika,Fakultas Teknik, Matematika
Lebih terperinciKAJIAN PENERAPAN ALGORITMAC4.5, NEURAL NETWORK DAN NAÏVE BAYES UNTUK KLASIFIKASI MAHASISWA YANG BERMASALAH DALAM REGISTRASI
KAJIAN PENERAPAN ALGORITMAC4.5, NEURAL NETWORK DAN NAÏVE BAYES UNTUK KLASIFIKASI MAHASISWA YANG BERMASALAH DALAM REGISTRASI HERU SULISTIONO mildlaser3@gmail.com 081282400050 Program Studi Teknik Informatika,
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 Dwi Untari A11.2010.05410 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciKAJIAN ALGORITMA NAÏVE BAYES DALAM PEMILIHAN PENERIMAAN BEASISWA TINGKAT SMA
KAJIAN ALGORITMA NAÏVE BAYES DALAM PEMILIHAN PENERIMAAN BEASISWA TINGKAT SMA Virgana 1), Ulfa Pauziah 2) dan Michael Sonny 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58
Lebih terperinciSOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : 56601 / Data Warehouse dan Data Mng Revisi 1 Satuan Kredit Semester : 3 sks Tgl revisi : 1 September 2014 Jml Jam kuliah
Lebih terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : D22.5411 / Healthcare Datamng Revisi 1 Satuan Kredit Semester : 2 sks Tgl revisi : 1 Agustus 2014 Jml Jam kuliah dalam seminggu
Lebih terperinciPREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING
Seminar Nasional Sistem Informasi Indonesia, 2-4 Nopember 2015 PREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING Paramita Mayadewi 1), Ely Rosely 2) 1,2 D3 Manajemen Informatika,
Lebih terperinciDIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciPREDIKSI KETEPATAN KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE BERBASIS PARTICLE SWARM OPTIMATION (PSO)
PREDIKSI KETEPATAN KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE BERBASIS PARTICLE SWARM OPTIMATION (PSO) Arif Rakhman Email : arif@limamedia.net D III Teknik Komputer Politeknik Harapan Bersama
Lebih terperinciApplication Determination Of Credit Feasibility in Sharia Cooperative
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 555~560 Application Determination Of Credit Feasibility in Sharia Cooperative 555 Dibjo Marginato AMIK BSI Tangerang Email: dibjomgo@gmail.com
Lebih terperinciIMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO)
IMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO) Andika Elok Amalia 1), Muhammad Zidny Naf an 2) 1), 2) Program Studi Informatika ST3 Telkom Jl D.I.
Lebih terperinciALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN
ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebelum melakukan penelitian adapun penulis mencari penelitian penelitian yang memungkinkan terkait dengan penelitian antara lain : 1. Analisis Kinerja Data
Lebih terperinciIMPLEMENTASI BUSINESS INTELLIGENCE UNTUK MENENTUKAN MAHASISWA PENERIMA BEASISWA
IMPLEMENTASI BUSINESS INTELLIGENCE UNTUK MENENTUKAN MAHASISWA PENERIMA BEASISWA 1 Ricky Akbar, 2 Widya Wulandari, 3 Zikrya Hasanah, 4 Hesti Gravina, 5 Yudha Restu Alditya, 6 Agum Sadewa 1,2,3,4,5,6 Program
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI DATA MINING DALAM PENENTUAN PEMBERIAN PINJAMAN KOPERASI
PENERAPAN ALGORITMA KLASIFIKASI DATA MINING DALAM PENENTUAN PEMBERIAN PINJAMAN KOPERASI Nandang Iriadi Program Studi Manajemen Informatika Akademik Manajemen Informatika dan Komputer Bina Sarana Informatika
Lebih terperinciSEMNAS RISTEK 2017 ISSN : MODEL PENENTUAN PEMBELIAN KONDISI MOBIL BEKAS
MODEL PENENTUAN PEMBELIAN KONDISI MOBIL BEKAS Fitriana Destiawati 1, Harry Dhika 2 1 Universitas Indraprasta PGRI Jl. Raya Tengah Kel. Gedong, Pasar Rebo Jakarta Timnur 13760 1 honeyzone86@gmail.com 2
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciKOMPARASI ALGORITMA BERBASIS NEURAL NETWORK DALAM MENDETEKSI PENYAKIT HEPATITIS
Faktor Exacta 10 (1): 4049, 2017 pissn: 1979276X e ISSN: 2502339X KOMPARASI ALGORITMA BERBASIS NEURAL NETWORK DALAM MENDETEKSI PENYAKIT HEPATITIS SURANTO SAPUTRA surantosaputra@yahoo.com Program Studi
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BEMOTOR ABSTRAK
Jurnal Penelitian Ilmu Komputer, System Embedded & Logic 1(1) : 65-76 (2013) PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BEMOTOR Henny Leidiyana Program Pasca
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciAnalisa Kelayakan Pemberian Kredit Mobil Dengan Menggunakan Metode Neural Network Model Radial Basis Function
Analisa Kelayakan Pemberian Kredit Mobil Dengan Menggunakan Metode Neural Network Model Radial Basis Function Amrin Program Studi Teknik Komputer AMIK Bina Sarana Informatika Jakarta Jl. R.S Fatmawati
Lebih terperinciPENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA
PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA 1 Muhammad Hafiz Ardiansyah, 2 Wahyu Nurjaya WK 1 Program Studi Teknik Informatika,
Lebih terperinciEducational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa
Educational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Universitas Nusantara PGRI Kediri Kontak Person: Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Kampus
Lebih terperinciIDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.
IDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.5 Amelia Halim 1) dan Joko Lianto Buliali 2) 1) Program Studi Magister
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciData Mining Dengan Algoritma Apriori untuk Penentuan Aturan Asosiasi Pola Pembelian Pupuk
Data Mining Dengan Algoritma Apriori untuk Penentuan Aturan Asosiasi Pola Pembelian Pupuk Amrin Program Studi Teknik Komputer AMIK Bina Sarana Informatika Jakarta Jl. R.S Fatmawati no. 24 Pondok Labu,
Lebih terperinciKAJIAN PENERAPAN MODEL C45, SUPPORT VECTOR MACHINE (SVM), DAN NEURAL NETWORK DALAM PREDIKSI KENAIKAN KELAS
KAJIAN PENERAPAN MODEL C45, SUPPORT VECTOR MACHINE (SVM), DAN NEURAL NETWORK DALAM PREDIKSI KENAIKAN KELAS LUSI ARIYANI Program Studi Teknik Informatika, Fakultas Teknik, Matematika, dan IPA Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciAnalisa Kelayakan Pemberian Kredit Mobil Dengan Menggunakan Neural Network Backpropagation
Analisa Kelayakan Pemberian Kredit Mobil Dengan Menggunakan Neural Network Backpropagation Amrin Program Studi Manajemen Informatika AMIK Bina Sarana Informatika, Jakarta Telp : (021) 54376399 E-Mail :
Lebih terperinciALGORITMA DECISION TREE (C4.5) UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN POLITEKNIK TEDC BANDUNG
ALGORITMA DECISION TREE (C4.5) UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN POLITEKNIK TEDC BANDUNG Ade Yuliana 1, Duwi Bayu Pratomo 2 1,2 Program Studi Teknik Informatika - Politeknik TEDC
Lebih terperinciPREDIKSI CALON MAHASISWA BARU MENGUNAKAN METODE KLASIFIKASI DECISION TREE
46. CSRID Journal, Vol.7 No.1 Februari 2015, Hal. 46-54 PREDIKSI CALON MAHASISWA BARU MENGUNAKAN METODE KLASIFIKASI DECISION TREE Mambang 1, Finki Dona Marleny 2 1 AKBID Sari Mulia, Banjarmasin 2 Jurusan
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pasar modal merupakan salah satu bagian dari pasar keuangan, di samping pasar uang, yang sangat penting peranannya bagi pembangunan nasional pada umumnya dan bagi
Lebih terperinciPREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 PREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING Paramita Mayadewi 1), Ely Rosely 2) 1,2 D3 Manajemen Informatika,
Lebih terperinciProses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer
Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer Mewati Ayub Jurusan Teknik Informatika, Fakultas Teknologi Informasi Universitas Kristen Maranatha, Bandung Email : mewati.ayub@eng.maranatha.edu
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Komparasi Penerapan Algoritma Support Vector Machine dan SVM Optimasi Genetic Algorithms dalam Penentuan Penerimaan Dana KJP pada SD Negeri 02 Meruya Utara Jakarta Barat Yuli Haryanto 1, Reko Syarif Hidayatullah
Lebih terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
Lebih terperinciKAJIAN PENERAPAN METODE KLASIFIKASI DATA MINING ALGORITMA C4.5 UNTUK PREDIKSI KELAYAKAN KREDIT PADA BANK MAYAPADA JAKARTA
132 JURNAL TEKNIK KOMPUTER AMIK BSI KAJIAN PENERAPAN METODE KLASIFIKASI DATA MINING ALGORITMA C4.5 UNTUK PREDIKSI KELAYAKAN KREDIT PADA BANK MAYAPADA JAKARTA Nandang Iriadi 1, Nia Nuraeni 2 132 Abstract
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peminatan siswa SMA Negeri 8 Bandung dilakukan di kelas X SMA setelah tahap daftar ulang. Hal tersebut berdasarkan aturan kurikulum 2013 [11]. Peminatan merupakan hal
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 368~372 368 PENERAPAN ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI Adhika Novandya AMIK BSI Bekasi e-mail:
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciPerbandingan Kinerja Algoritma C.45 dan AHP- TOPSIS Sebagai Pendukung Keputusan Proses Seleksi Penerima Beasiswa
109 Perbandingan Kinerja Algoritma C.45 dan AHP- TOPSIS Sebagai Pendukung Keputusan Proses Seleksi Penerima Beasiswa Aziz Musthafa, Hadi Suyono, Moechammad Sarosa Abstract Considering the importance of
Lebih terperinciKAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA
KAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA LAKSANA PRIYO ABADI laksanarioabadi@gmail.com Program Studi Teknik Informatika
Lebih terperinciJurnal TELEMATIKA MKOM Vol.4 No.1, Maret 2012 ISSN: X
PEMILIHAN CRITERIA PLITTING DALAM ALGORITMA ITERATIVE DICHOTOMIER 3 (ID3) UNTUK PENENTUAN KUALITA BERA : TUDI KAU PADA PERUM BULOG DIVRE LAMPUNG Yusuf Elmande 1, Prabowo Pudjo Widodo 2 Magister Ilmu Komputer
Lebih terperinciIMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG
IMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG Andri 1), Yesi Novaria Kunang 2), Sri Murniati 3) 1,2,3) Jurusan Sistem Informasi Universitas
Lebih terperinci